用于联合单幅图像去雾去雪的降级自适应神经网络

在严酷的冬季场景中，捕获的图像通常会同时受到雾霾和雪的影响，这严重影响了高级计算机视觉任务的性能。大多数现有的恢复方法要么专门用于解决一种与天气相关的退化，要么具有大量参数。

为了解决这些问题，陈尔康和刘云领导的研究小组进行了一项研究，现已发表在《计算机科学前沿》上。

该团队提出了一种名为降级自适应神经网络(DAN-Net)的轻量级图像恢复网络，以联合实现单幅图像去雾和去雪。DAN-Net在五个大型数据集上进行了验证和测试。

与现有的研究结果相比，所提出的方法保证了除雾和除雪任务的优越性能和较低的计算复杂度。

在研究中，他们精心设计了DAN-Net的整体架构，该架构由两个特定任务的专家网络和一个自适应门控神经网络组成。特定任务专家网络是使用三个基于高性能卷积的组件(即MSTB、DPAM和CLAGM)和三层来构建的。

与之前简单地重复堆叠组件的基于学习的方法不同，所提出的专家网络具有轻量级优势，并通过每层的精心设计和少量组件的使用实现了出色的参数性能权衡。

自适应门控神经模块被开发为有效的退化自适应引导器，用于控制两个预先训练的专家网络的贡献。

实验在RESIDE、Haze4k、D、SRRS和Snow100K等5个大型数据集上进行。实验结果证明了所提出的DAN-Net在冬季场景下的合成图像和真实退化图像上具有较低计算复杂度的优越性。

在未来的工作中，研究人员将重点探索特定任务专家网络和自适应门控神经模块的设计，以提高DAN-Net的性能和效率。